CN109658195B - 一种商品展示决策方法 - Google Patents

Abstract

本发明提供了一种商品展示决策方法，包括以下步骤S1、基于动态加权Apriori算法构建指定品类所属的指定品牌与非指定品类的所属品牌之间的关联规则，并为指定品牌的权重作动态加权赋值；S2、以候选客群在指定维度的消费特征作为输入，提取与主流客群相似的客群扩散模型；S3、使用动态加权赋值后的指定品牌与客群扩散模型中的主流客群进行关联，以向管理者和/或消费者展示商品展示决策数据。通过本发明所揭示的商品展示决策方法，能够为已经购买某种商品的消费者可能购买的另一种商品提供准确挖掘与判断，从而为经营者在线下销售场景的商品摆放位置或者线上销售场景中的商品展示位置提供准确且可靠的决策，并显著地提高了经营者的利润。

Description

一种商品展示决策方法

技术领域

本发明涉及数据挖掘技术领域，尤其涉及一种商品展示决策方法。

背景技术

商品展示是经营者执行相应商业行为的重要考虑因素，商品展示的空间位置关系及如何根据消费者的消费数据做出合理的决策，决定了是否可以获得更大的利润空间。如何合理的将商品信息向消费者进行线上或者线下的推送或者展示就成为了经营者需要考虑的问题。目前，根据消费者日常消费记录或者网页浏览记录所关联的数据向特定的消费者进行推送已经被相关企业所公开。但是所有的现有技术仅仅从消费行为的数据或者关注商品的数据对商品的展示或者推送进行关联并展示。

数据挖掘在上述过程中起到了非常关键的作用。数据挖掘是指，从大量的数据中挖掘出隐含的、未知的、对决策有价值的知识和规则。针对商品信息的特性，数据挖掘领域中的多种算法都能够对信息进行处理。如贝叶斯分类器、决策树等对数据进行分类的方法；如对商品相似度进行分析进而归类商品的K-Means聚类算法，该算法运算速度快，但由于算法中存在的聚类数目K的取值可能对结果产生影响；如能够快速处理混合类型数据的聚类问题的K-prototypes算法。另外有以其他基于密度、网格、模型等的聚类分析方法对商品信息进行聚类分析。每种方法都存在各自的优缺点，适用范围也相对有限，对于不同的数据类型特征、数据质量等存在着不同的制约因素。

申请人发现现有的商品展示方法往往着眼于商品的出现频率，并将商品的出现频率作为是否向消费者进行展示或者推送的依据或者决策。现有的商品展示决策方法所形成的数据无法为经营者如何向消费者推送商品信息提供科学准确的参考依据。

发明内容

本发明的目的在于揭示一种商品展示决策方法，用以实现对商品信息进行挖掘与分析，以为经营者在线下销售场景的商品摆放位置或者线上销售场景中的商品展示位置提供准确且可靠的决策，以提高经营者的利润。

为实现上述目的，本发明提供了一种商品展示决策方法，包括以下步骤：

S1、基于动态加权Apriori算法构建指定品类所属的指定品牌与非指定品类的所属品牌之间的关联规则，并为指定品牌的权重作动态加权赋值；

S2、以候选客群在指定维度的消费特征作为输入，提取与主流客群相似的客群扩散模型；

S3、使用动态加权赋值后的指定品牌与客群扩散模型中的主流客群进行关联，以向管理者和/或消费者展示商品展示决策数据。

作为本发明的进一步改进，所述步骤S1中还包括：通过品牌的最小支持度对关联规则做筛选，并以指定品类所属的75％的品牌能够关联至非指定品类的所属品牌的最大支持度作为指定品类中所包含的所有品牌的最小支持度，当品牌的支持度大于最小支持度时，建立所述关联规则。

作为本发明的进一步改进，所述步骤S1中的为指定品牌的权重作动态加权赋值包括以下子步骤：

S11、计算指定品牌在设定时间段内的平均单次消费额；

S12、计算指定品牌在设定时间段内的平均单次消费额的指数移动平均值；

S13、计算指定品牌所属的指定品类的平均单次销售额；

S14、计算平均单次消费额的指数移动平均值占指定品类的平均单次销售额的比重；

S15、对指定品类所包含的指定品牌的比重作归一化处理，得指定品牌占指定品类的权重。

作为本发明的进一步改进，所述步骤S2中的指定维度由：消费者开户持续时间、消费频次、最近消费行为距当前的时间、平均消费时间间隔、消费时间间隔标准差、单次消费金额、消费金额标准差、平均折扣额、折扣额标准差、平均消费积分、消费积分标准差、籍贯、出生年份、出生月份中的至少一种维度组成。

作为本发明的进一步改进，所述步骤S1中的动态加权Apriori算法包括以下子步骤：

S101、计算指定品牌在指定事件X中的最大权值；

S102、计算加权支持度；

S103、计算指定事件X与非指定事件Y之间所形成的关联规则的加权支持度；

S104、计算指定事件X与非指定事件Y之间所形成的关联规则的加权置信度；

S105、计算指定事件X与非指定事件Y之间所形成的加权提升度。

作为本发明的进一步改进，所述步骤S2包括以下子步骤：

S21、提取候选客群对指定维度的消费数据；

S22、提取与指定品牌具关联规则的主流客群；

S23、自主流客群中随时选取部分客群样本，基于Logistic回归模型计算候选客群中对指定品牌的正类概率值，对正类概率值从高到低进行排序，将正类概率值低于分割阈值T的候选客群的样本作为负样本，所述分割阈值T为排序后位于前95.4％的样本所对应的最低概率值；

S24、使用Logistic回归模型对正样本与负样本进行训练，建立具体的候选客群与主流客群之间的相似度模型，以得到客群扩散模型；

作为本发明的进一步改进，所述子步骤S24中，在建立具体的候选客群与主流客群之间的相似度模型之后，还包括：使用所述相似度模型计算候选客群中的单个客户与主流客群之间的相似度，并将按照相似度由高至低对客户进行排序。

作为本发明的进一步改进，所述子步骤S24之后还包括：删除候选客群中购买过指定品牌所属的指定品类的客户。

作为本发明的进一步改进，所述步骤S3中使用动态加权赋值后的指定品牌与客群扩散模型合并之后还包括：执行优先度排序和筛选的操作，所述优先度至少以客户的权限为指标。

作为本发明的进一步改进，所述商品展示决策数据以交互式表单、数据库、短消息、APP推送消息或者网页订阅消息的形式向管理者和/或消费者通过台式电脑、笔记本电脑、平板电脑、手机或者实体物理环境进行可视化展示。

与现有技术相比，本发明的有益效果是：通过本发明所揭示的商品展示决策方法，能够为已经购买某种商品的消费者可能购买的另一种商品提供准确挖掘与判断，从而为经营者在线下销售场景的商品摆放位置或者线上销售场景中的商品展示位置提供准确且可靠的决策，并显著地提高了经营者的利润。

附图说明

图1为本发明一种商品展示决策方法的流程图；

图2为指定品类所属的指定品牌与非指定品类的所属品牌之间构建关联规则的示意图；

图3为基于现有的Apriori算法筛选出的关联规则在网页环境中为消费者推送的前项品牌与后项品牌的示意图；

图4为基于本发明中的动态加权Apriori算法筛选出的关联规则在网页环境中为消费者推送的前项品牌与后项品牌的示意图；

图5为基于本发明中的动态加权Apriori算法筛选出的关联规则在实体环境中为消费者推送的前项品牌与后项品牌的示意图；

图6为本发明中的动态加权Apriori算法的示意图。

具体实施方式

下面结合附图所示的各实施方式对本发明进行详细说明，但应当说明的是，这些实施方式并非对本发明的限制，本领域普通技术人员根据这些实施方式所作的功能、方法、或者结构上的等效变换或替代，均属于本发明的保护范围之内。

请参图1至图6所示出的本发明一种商品展示决策方法的一种具体实施方式。本实施例所揭示的一种商品展示决策方法用于对虚拟环境(例如互联网贩售场景)或者实体环境(例如超市、卖场)中客户购买的属于某种品类的某种品牌的购买数据进行分析、挖掘，以判断出与该客户类似的其他客户可能购买相同品类中的其他品牌或者不同品类所属的一个或者多个品牌的可能性，并将最终得到的商品展示决策数据向管理者和/或消费者进行展示，并具体为可视化展示，当然也可以通过其他能够被人体所感知的其他方式进行展示，并不具体仅仅局限于视觉途径，例如声音等多种展现形式向管理者和/或消费者进行展示。

在本实施例中，管理者是相对于消费者而言的，并具体可为商家，例如实体店的店主或者实际经营者，或者网店的店主或者实际经营者或者能够影响商品展示的人(例如网点的后台操作人员)。在本实施例中，商品展示决策数据以交互式表单、数据库、短消息、APP推送消息或者网页订阅消息的形式向管理者和/或消费者通过台式电脑、笔记本电脑、平板电脑、手机或者实体物理环境进行可视化展示。

参图4所示，浏览器30中形成一个动态或者静态并包含多个URL的界面20，界面20中包含由“爱慕”100、“沙驰”106、“新秀丽”108所组成的前项商品12(结合下文中的表一或者表二所示)以及由“周大福”101、“斯卡图”107、“耐克”109所组成的后项商品13(结合下文中的表一或者表二所示)。当消费者购买了“爱慕”100后，向浏览器30推送URL界面的服务器就会向消费者推送“周大福”101，消费者购买了“沙驰”106后，向浏览器30推送URL界面的服务器就会向消费者推送“斯卡图”107，消费者购买了“新秀丽”108后，向浏览器30推送URL界面的服务器就会向消费者推送“耐克”109。而在现有技术中，网页链接的推送会形成图3所示出的结果。

当然，在实体物理环境中，例如商场，参图5所示，通过本发明所揭示的一种商品展示决策方法，实体销售区域40中形成供消费者行走的通道41。消费者沿箭头42所指示的方向从进口44向出口43移动并进行购物。那么通过本实施例形成的商品展示决策数据就会指导管理者将“爱慕柜台”100a布置在“周大福柜台101a”位于消费者前进路线的前方，同理所示，通过本实施例形成的商品展示决策数据就会指导管理者将“沙驰柜台”106a布置在“斯卡图柜台”107a位于消费者前进路线的前方。从而使得购买了“爱慕柜台”100a的消费者有着更大的几率购买“周大福柜台101a”中的商品，使得购买了“沙驰柜台”106a的消费者有着更大的几率购买“斯卡图柜台”107a中的商品。从而降低了客户在实体物理环境中进行购物的行走距离，提高了消费者的购物体验。同时，也提高了实体物理环境中的管理者的利润。

需要说明的是的，在实施例中，所谓的“商品”不仅仅包括传统认知范畴的实物商品，还包括：服务、数字产品(例如：购买具版权的音乐作品、付费的影视作品)、数字货币(例如：Q币)等虚拟商品或者虚拟服务。

一种商品展示决策方法，包括以下步骤：

步骤S1、基于动态加权Apriori算法构建指定品类所属的指定品牌与非指定品类的所属品牌之间的关联规则，并为指定品牌的权重作动态加权赋值。

在实施例中，“指定品类”与“非指定品类”是相对而言的，“指定品牌”与“其他品牌”或者“不同品类所属的其他品牌”也是相对而言的。具体而言，品类“女性内衣”中包含多个品牌，例如“欧迪芬”品牌、“黛安芬”品牌等等。品类“男士衬衫”中包含“雅戈尔”品牌、“金利来”品牌、“杉杉”品牌等等。因此，品类中包含其所属的一个或者多个品牌。虚拟环境或者实体环境中包含一个或者多个品类。在本实施例中，如果以品类“女性内衣”中所属的“欧迪芬”品牌为“指定品牌”的话，则“女性内衣”为指定品类，并以“欧迪芬”为指定品牌，并与非“女性内衣”所属的品牌，例如品类为“男性衬衫”所属的“雅戈尔”品牌、“金利来”品牌、“杉杉”品牌等建立关联规则，反之亦然，以形成图2示出的跨品类的品牌关联，从而形成多对关联规则。

通过建立跨品类的品牌的关联规则，不仅仅能够考虑不同商品的出现频率，还能引入对不同品类所属品类之间被消费者购买可能性的差异性的考量因素，以为管理者提供准确的商品或者服务推送的频率、推送的品牌，从而为消费者提供更符合消费者心理预期的商品或者服务，以提高实体环境或则虚拟环境中商品或者服务的销售额，以提高管理者的利润；当然，通过本实施例所揭示的一种商品展示展示决策方法也能为消费者通过短信、微信、QQ消息、柜台上的语音提示或者动态字幕提示转向该特定消费者所预期购买的商品所在的柜台或者网页链接，从而能够为消费者提供更舒适的购物便利，从而提高了消费者的购物体验。

为了更清晰的说明本发明，申请人以虚拟环境或者实体环境中的一个店铺为范例作进一步的具体阐述。在该店铺中，包含品类i与品类j两个品类。品类i中包含M个属于该品类i的品牌，即品牌i₁，i₂，...，i_m，...i_M，品类j中包含N个属于该品类j的品牌，即品牌i₁，i₂，...，i_n，...i_N。此时就会基于图2所示出的跨品类的关联规则最多形成M×N个关联规则。品类i的下标m或者M取大于或者等于1的正整数，品类j的下标n或者N取大于或者等于1的正整数。同时，M取大于或者等于m的正整数，N取大于或者等于n的正整数，且m与n均取大于或者等于1的正整数。

为了便于阐述并便于理解技术方案，在本实施例中选用品牌i_m为指定品牌，品类i为指定品类，因此，品类j则为非指定品类，品类j中的N个品牌以及品类i中的除品牌i_m以外的其他品牌均为非指定品牌。

结合图6所示，在本实施例中，该步骤S1中的动态加权Apriori算法包括以下子步骤：

子步骤S101、计算指定品牌在指定事件X中的最大权值。

具体的，设指定品牌i_m∈X，X为指定事件，指定事件X中包含一个或多个品牌。指定品牌i_m的权值为w(i_m)，则指定事件X的权值定义为的计算公式为如下公式(1)所示：

W(X)＝max[w(i_m)] (1)；

公式(1)中，指定事件X的权值取指定事件X中权值最大项的权值。这样的定义可以突出权值最大的指定品牌，使得包含指定品牌i_m的指定事件X的最大权值容易被挖掘出来。

子步骤S102、计算加权支持度。该子步骤S102的计算公式具体为如下公式(2)所示：

WSupport(X)＝W(X)Support(X) (2)；

其中，公式(2)中的

参数Num(X)表示指定事件X出现的频次，参数“all samples”是指定事件X进行加权支持度计算所选用的样本的数量总和。

子步骤S103、计算指定事件X与非指定事件Y之间所形成的关联规则的加权支持度。该子步骤S103的具体计算公式为如下公式(3)所示：

WSupport(X→Y)＝W(X)Support(X∩Y) (3)；

其中，公式(3)中的

Support()为加权支持度，Y为区别于指定事件X的另一个事件(即非指定事件Y)；参数“all samples”是指定事件X与非指定事件Y所选用的样本的数量总和。

子步骤S104、计算指定事件X与非指定事件Y之间所形成的关联规则的加权置信度，子步骤S104的计算公式如下公式(4)所示：

公式(4)中，Confidence(X→Y)中的符号“→”代表执行指定事件X与非指定事件Y之间的关联关系。

子步骤S105、计算指定事件X与非指定事件Y之间所形成的加权提升度。该子步骤S105的计算公式如下公式(5)所示：

加权提升度越大，说明规则越有效，也说明商品间的关联性越强。在本实施例中，基于提升度排名前10％的原则来确定每个品牌的最小提升度。

在本实施例中，指定事件X与非指定事件Y也是相对而言的，且指定事件X与非指定事件Y中均包含一个或者多个品牌或者指定品牌，并可被理解为实体意义上的购物篮或者购物车，也可以指代网络环境中能够记录消费者订单的逻辑或者存储空间或者一个集合。

在本实施例中，项集为事件(即上述“指定事件X与非指定事件Y”)中品牌的子集，项集的支持度计算方式和事件的支持度的计算方式相同。

本实施例所揭示的动态加权Apriori算法采用了迭代方法，先以所有事件(事件的定义参上一段所述)为样本，提取出只包含一个品牌的所有项集并计算其对应的加权支持度，剪枝去掉低于最小支持度的项集，得到的项集可被称为频繁一项集(“频繁一项集”只包含一个品牌的频繁项集)。然后对频繁一项集进行连接，得到只包含两个品牌的项集，剪枝去掉加权支持度低于最小支持度的项集，得到频繁二项集(“频繁二项集”只包含两个品牌的频繁项集)，得到的频繁二项集即为需要的关联规则。

步骤S1中的为指定品牌的权重作动态加权赋值包括以下子步骤：

首先，执行子步骤S11、计算指定品牌在设定时间段内的平均单次消费额。该子步骤S11具体为，计算指定品牌i_m最近12个月的平均每单销售额：

当k＝12时，为最接近当前时间的月份。指定品牌i_m属于指定品类i，指定品类i共包含M个品牌，分别是i₁，i₂，...，i_m，...i_M，其品牌i_M的下标M大于或者等于指定品牌i_m的下标m，当然，也可以选取品牌i_M作为指定品牌。

然后，执行子步骤S12、计算指定品牌在设定时间段内的平均单次消费额的指数移动平均值，并具体如下所示。

对指定品牌i_m，计算12个月的平均每单销售额的指数移动的计算公式如下公式(6)所示：

其中，公式(6)中的参数α为平滑系数，在本实施例中，α的取值为2/13。

为指定品牌i_m在当前时刻的平均每单销售额的指数移动平均值，

为指定品牌i_m上一个月的平均每单销售额的指数移动平均值。此处使用指数移动平均，一方面由于其可以得到所选定的指定品牌i_m每单销售额的平均水平，另一方面由于其充分考虑到时间变动带来的影响，并放大最近几个月份每单销售额的影响，以最终提高指定品牌在设定时间段内的平均单次消费额的指数移动平均值的准确性。

然后，执行子步骤S13、计算指定品牌所属的指定品类的平均单次销售额。即，参照上述子步骤S12的相同计算过程，计算指定品牌i_m所属指定品类i的平均每单销售额EMAP_i，now。

步骤S1中还包括，尤其是在子步骤S13中还包括：通过品牌的最小支持度对关联规则做筛选，并以指定品类所属的75％的品牌能够关联至非指定品类的所属品牌的最大支持度作为指定品类中所包含的所有品牌的最小支持度，当品牌的支持度大于最小支持度时(即某个指定品类中的某个品牌的支持度大于最小支持度)，建立所述关联规则。

在本实施例中，通过最小支持度对挖掘出的关联规则做进一步的筛选。由于商品属性不同，每个品类及每个品类中的具体品牌的销售状况也有所不同，所以不能使用统一的最小支持度。在本实施例中，在为使最小支持度具有通用性，以每个品类所属75％的品牌可以找到关联品牌的最大支持度作为此品类所属的所有品牌的最小支持度。

然后，执行子步骤S14、计算平均单次消费额的指数移动平均值占指定品类的平均单次销售额的比重，并具体按照公式(7)计算得到。

公式(7)中，

的值越大，说明指定品牌i_m的每单销售额在其所属的指定品类i中的比重越高，说明重要性越高。重要性越高，就会为经营者决定在指定品牌i_m的下一次网络推荐或者实体点的柜台分别按照图4或者图5所示出的实例进行商品的展示或者布置。

最后，执行子步骤S15、对指定品类所包含的指定品牌的比重作归一化处理，得指定品牌占指定品类的权重。

具体的，对属于指定品类i的指定品牌i_m的比值

进行归一化处理，其中m∈[1，M]，得到指定品牌i_m的权重

其中计算指定品牌i_m的权重

的公式参下述公式(8)所示：

其中，公式(8)中的

权重

在[0,1]内取值。

在本实施例中，找出所有的高频物品，其频繁性由最小支持度控制。然后在此基础上，动态加权Apriori算法使用逐层搜索的迭代方法，循环合并购物篮，直到支持度小于最小支持度或循环次数到达上限，利用此时得到的购物篮就能产生满足条件的关联规则。需要说明的是，在本实施例中，购物篮是指实体意义上的购物篮或者购物车，也可以指代网络环境中能够记录消费者订单的逻辑或者存储空间或者一个集合。

步骤S2、以候选客群在指定维度的消费特征作为输入，提取与主流客群相似的客群扩散模型。

具体的，在本实施例中，该步骤S2包括以下子步骤：

首先，执行子步骤S21、提取候选客群对指定维度的消费数据。具体的，该指定维度由：消费者开户持续时间、消费频次、最近消费行为距当前的时间、平均消费时间间隔、消费时间间隔标准差、单次消费金额、消费金额标准差、平均折扣额、折扣额标准差、平均消费积分、消费积分标准差、籍贯、出生年份、出生月份中的至少一种维度组成。

然后，执行子步骤S22、提取与指定品牌具关联规则的主流客群。

结合图3与图4所示，具体的，可将偏好购买某一品牌的客群作为主流客群。由于主流客群中可能混有离群样本(即购买了表一的前项商品10或者表二中前项商品12而不购买表一中的后项商品11或者表二中的后项商品13的客户)，使用K-means聚类的方法来将主流客群分为两类，若其中一类人群人数远超另一类，则选取人数较多的一类作为主流客群。若两类人数相差不多，则选择高相似度集中分布的一类作为主流客群。

然后，执行子步骤S23、自主流客群中随时选取部分客群样本，并基于Logistic回归模型计算候选客群中对指定品牌的正类概率值，以将正类概率值低于分割阈值T的候选客群的样本作为负样本，所述阈值T取95.4％。具体的，在本实施例中，从主导人群中随机选取一部分作为观测样本，将这些样本放入候选客群中。将去掉观测样本的主流客群定义为正样本，将加入观测样本的候选人群定义为负样本。然后，基于Logistic回归模型对候选客群进行分类，以区分正样本与负样本。计算观测样本的预测正类概率值，并根据2sigma原则，选取前95.4％的观测样本的最低概率值，作为分割阈值T。分割阈值T为排序后位于前95.4％的样本所对应的最低概率值。计算所有候选客群的预测正类概率值，将概率值低于分割阈值T的样本作为负样本。

然后，执行子步骤S24、使用Logistic回归模型对正样本与负样本进行训练，建立具体的候选客群与主流客群之间的相似度模型，以得到客群扩散模型。优选的，子步骤S24中，在建立具体的候选客群与主流客群之间的相似度模型之后，还包括：使用所述相似度模型计算候选客群中的单个客户与主流客群之间的相似度，并将按照相似度由高至低对客户进行排序。

根据实际业务需要任意选择扩散数量P，则具有相似度最高的P个客户即为最终得到的扩散客群，并得到由这些P个客户所组成客群扩散模型。

优选的，在子步骤S24之后还可包括子步骤S25：删除候选客群中购买过指定品牌所属的指定品类的客户。因此，通过子步骤S25所揭示的技术方案，可通过筛选出的关联规则，来确定异类精准营销客群，即筛选出购买过指定品牌但没有购买指定品牌所对应其他品类的相应人群作为营销客群。

最后，执行步骤S3、使用动态加权赋值后的指定品牌与客群扩散模型中的主流客群进行关联，以向管理者和/或消费者展示商品展示决策数据。具体的，在本实施例中，步骤S3中使用动态加权赋值后的指定品牌与客群扩散模型合并之后还包括：执行优先度排序和筛选的操作，所述优先度至少以客户的权限为指标。该客户的权限可是客户所持购物卡的优选权等。

通过本实施例所揭示的一种商品展示决策方法所挖掘出来的展示商品的决策数据，能为管理者挖掘出更多能产生较大利润的信息，从源头上提高了营销的精准度与可靠性。

为了更加直观地体现本实施例所揭示的一种商品展示决策方法在实际应用中对提高管理者利润的效果，申请人将传统Apriori算法和本实施例所揭示的一种商品展示决策方法中包含的动态加权Apriori算法进行对比实验，设置一致的最小支持度。

根据现有技术所揭示的Apriori算法筛选出的关联规则，按照提升度排名，排名前十的规则如表一所示。为方便观察，将下列规则按照后项品牌每单销售额由高到低排序，得到表一所揭示的销售数据。

表一

根据本实施例所揭示的一种商品展示决策方法中所包含的动态加权Apriori算法筛选出的关联规则，按照提升度排名，排名前十的规则如表二所示。为方便观察，将下列规则按照后项品牌每单销售额由高到低排序，得到表二所揭示的销售数据。

表二

其中，前项品牌为关联品牌，后项品牌为目标品牌，品牌每单销售额即近12个月的平均每单销售额

从上述表一与表二所展现的销售数据的对比分析，可以看到基于传统Apriori算法和改进后的动态加权Apriori算法方式筛选出的规则有较大不同。其中，本实施例所揭示的一种商品展示决策方法中所揭示的动态加权Apriori算法筛选出的十个后项品牌的平均每单销售额为2465.52元，远高于传统的Apriori算法得出的1547.20元。因此，通过本实施例所揭示的一种商品展示决策方法能够挖掘到商场管理者更感兴趣的，利润更高的品牌，从而显著地提高了管理者的利润。

通过本发明所揭示的商品展示决策方法，能够为已经购买某种商品的消费者或者具有某种消费特征的消费者可能购买的另一种商品提供准确挖掘与判断，从而为经营者在线下销售场景的商品摆放位置或者线上销售场景中的商品展示位置提供准确且可靠的决策，并显著地提高了经营者的利润。

上文所列出的一系列的详细说明仅仅是针对本发明的可行性实施方式的具体说明，它们并非用以限制本发明的保护范围，凡未脱离本发明技艺精神所作的等效实施方式或变更均应包含在本发明的保护范围之内。

对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。

此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。

Claims (8)

1.一种商品展示决策方法，其特征在于，包括以下步骤：

S1、基于动态加权Apriori算法构建指定品类所属的指定品牌与非指定品类的所属品牌之间的关联规则，并为指定品牌的权重作动态加权赋值；

S2、以候选客群在指定维度的消费特征作为输入，提取与主流客群相似的客群扩散模型；

S3、使用动态加权赋值后的指定品牌与客群扩散模型中的主流客群进行关联，以向管理者和/或消费者展示商品展示决策数据；

所述步骤S1中的动态加权Apriori算法包括以下子步骤：

S101、计算指定品牌在指定事件X中的最大权值；

S102、计算加权支持度；

S103、计算指定事件X与非指定事件Y之间所形成的关联规则的加权支持度；

S104、计算指定事件X与非指定事件Y之间所形成的关联规则的加权置信度；

S105、计算指定事件X与非指定事件Y之间所形成的加权提升度；

所述步骤S2包括以下子步骤：

S21、提取候选客群对指定维度的消费数据；

S22、提取与指定品牌具关联规则的主流客群；

S23、自主流客群中随时选取部分客群样本，基于Logistic回归模型计算候选客群中对指定品牌的正类概率值，对正类概率值从高到低进行排序，将正类概率值低于分割阈值T的候选客群的样本作为负样本，所述分割阈值T为排序后位于前95.4％的样本所对应的最低概率值；

S24、使用Logistic回归模型对正样本与负样本进行训练，建立具体的候选客群与主流客群之间的相似度模型，以得到客群扩散模型。

2.根据权利要求1所述的商品展示决策方法，其特征在于，所述步骤S1中还包括：通过品牌的最小支持度对关联规则做筛选，并以指定品类所属的75％的品牌能够关联至非指定品类的所属品牌的最大支持度作为指定品类中所包含的所有品牌的最小支持度，当品牌的支持度大于最小支持度时，建立所述关联规则。

3.根据权利要求1或者2所述的商品展示决策方法，其特征在于，所述步骤S1中的为指定品牌的权重作动态加权赋值包括以下子步骤：

S11、计算指定品牌在设定时间段内的平均单次消费额；

S12、计算指定品牌在设定时间段内的平均单次消费额的指数移动平均值；

S13、计算指定品牌所属的指定品类的平均单次销售额；

S14、计算平均单次消费额的指数移动平均值占指定品类的平均单次销售额的比重；

S15、对指定品类所包含的指定品牌的比重作归一化处理，得指定品牌占指定品类的权重。

4.根据权利要求1所述的商品展示决策方法，其特征在于，所述步骤S2中的指定维度由：消费者开户持续时间、消费频次、最近消费行为距当前的时间、平均消费时间间隔、消费时间间隔标准差、单次消费金额、消费金额标准差、平均折扣额、折扣额标准差、平均消费积分、消费积分标准差、籍贯、出生年份、出生月份中的至少一种维度组成。

5.根据权利要求1所述的商品展示决策方法，其特征在于，所述子步骤S24中，在建立具体的候选客群与主流客群之间的相似度模型之后，还包括：使用所述相似度模型计算候选客群中的单个客户与主流客群之间的相似度，并将按照相似度由高至低对客户进行排序。

6.根据权利要求1或者5所述的商品展示决策方法，其特征在于，所述子步骤S24之后还包括：删除候选客群中购买过指定品牌所属的指定品类的客户。

7.根据权利要求1所述的商品展示决策方法，其特征在于，所述步骤S3中使用动态加权赋值后的指定品牌与客群扩散模型合并之后还包括：执行优先度排序和筛选的操作，所述优先度至少以客户的权限为指标。

8.根据权利要求1所述的商品展示决策方法，其特征在于，所述商品展示决策数据以交互式表单、数据库、短消息、APP推送消息或者网页订阅消息的形式向管理者和/或消费者通过台式电脑、笔记本电脑、平板电脑、手机或者实体物理环境进行可视化展示。

Images